Bakit masama ang AI para sa Lipunan?

Nangangako ang artificial intelligence ng bilis, laki, at paminsan-minsang kaunting mahika. Ngunit ang kinang nito ay maaaring makabulag. Kung nagtataka ka kung Bakit Masama ang AI para sa Lipunan? tinatalakay ng gabay na ito ang pinakamalaking pinsala sa simpleng pananalita—kasama ang mga halimbawa, pag-aayos, at ilang hindi komportableng katotohanan. Hindi ito laban sa teknolohiya. Ito ay pabor sa realidad.

Mga artikulong maaaring gusto mong basahin pagkatapos nito:

🔗 Gaano karaming tubig ang ginagamit ng AI
Ipinaliliwanag ang nakakagulat na pagkonsumo ng tubig ng AI at kung bakit ito mahalaga sa buong mundo.

🔗 Ano ang isang AI dataset
Pinaghihiwa-hiwalay ang istruktura, mga pinagmulan, at kahalagahan ng dataset para sa mga modelo ng pagsasanay.

🔗 Paano hinuhulaan ng AI ang mga uso
Ipinapakita kung paano sinusuri ng mga algorithm ang mga pattern upang tumpak na mahulaan ang mga resulta.

🔗 Paano sukatin ang pagganap ng AI
Sinasaklaw nito ang mga pangunahing sukatan para sa pagsusuri ng katumpakan, bilis, at pagiging maaasahan ng modelo.

Mabilis na sagot: Bakit Masama ang AI para sa Lipunan? ⚠️

Dahil kung walang seryosong mga guardrail, maaaring palakasin ng AI ang bias, punuin ang mga espasyo ng impormasyon gamit ang mga nakakumbinsing pekeng impormasyon, pabilisin ang pagbabantay, alisin ang mga manggagawa nang mas mabilis kaysa sa pagsasanay natin muli, pahirapan ang mga sistema ng enerhiya at tubig, at gumawa ng mga desisyong may mataas na nakataya na mahirap i-audit o iapela. May dahilan kung bakit minamarkahan ng mga nangungunang standards body at regulator ang mga panganib na ito. [1][2][5]

Anekdota (composite): Isang rehiyonal na tagapagpahiram ang sumusubok sa isang tool na AI loan-triage. Pinapabilis nito ang pagproseso, ngunit natuklasan ng isang independiyenteng pagsusuri na ang modelo ay hindi mahusay para sa mga aplikante mula sa ilang partikular na postcode na may kaugnayan sa historical redlining. Ang solusyon ay hindi isang memo - ito ay data work, policy work, at product work. Ang pattern na iyon ay paulit-ulit na lumilitaw sa artikulong ito.

Bakit Masama ang AI para sa Lipunan? Mga argumentong mabuti ✅

Ang mabubuting kritisismo ay may tatlong ginagawa:

• Tumutok sa mga maaaring kopyahing ebidensya ng pinsala o mataas na panganib, hindi mga vibes - halimbawa, mga balangkas at pagsusuri ng panganib na maaaring basahin at ilapat ng sinuman. [1]

• Ipakita ang mga dinamikong istruktura tulad ng mga pattern ng banta sa antas ng sistema at maling paggamit ng mga insentibo, hindi lamang mga minsanang aksidente. [2]

• Mag-alok ng mga partikular na pagpapagaan na naaayon sa mga umiiral na toolkit ng pamamahala (pamamahala ng peligro, mga pag-awdit, gabay sa sektor), hindi malabong panawagan para sa "etika." [1][5]

Alam ko, parang nakakainis at makatwiran. Pero ganoon talaga ang pamantayan.

Ang mga pinsala, hindi pa nabubuklod

1) Pagkiling, diskriminasyon, at mga hindi patas na desisyon 🧭

Ang mga algorithm ay maaaring magbigay ng marka, magraranggo, at maglagay ng label sa mga tao sa mga paraang sumasalamin sa maling datos o depektibong disenyo. Malinaw na nagbabala ang mga standards body na ang mga panganib ng AI na hindi pinamamahalaan - pagiging patas, kakayahang ipaliwanag, privacy - ay maaaring magdulot ng tunay na pinsala kung hindi mo isasama ang pagsukat, dokumentasyon, at pamamahala. [1]

Bakit ito masama sa lipunan: ang mga may kinikilingang kagamitan sa malawakang antas ay tahimik na nagbabantay sa kredito, trabaho, pabahay, at pangangalagang pangkalusugan. Nakakatulong ang pagsusuri, dokumentasyon, at mga independiyenteng pag-awdit - ngunit kung talagang gagawin natin ang mga ito. [1]

2) Maling impormasyon, mga deepfake, at pagguho ng realidad 🌀

Mura na ngayon ang paggawa ng audio, video, at teksto na may nakakagulat na realismo. Ipinapakita ng pag-uulat sa cybersecurity na aktibong ginagamit ng mga kalaban ang sintetikong media at mga pag-atake sa antas ng modelo upang sirain ang tiwala at palakasin ang pandaraya at impluwensyahan ang mga operasyon. [2]

Bakit ito masama sa lipunan: nabubuwag ang tiwala kapag may sinuman ang maaaring magsabing peke—o totoo—ang anumang clip ay depende sa kaginhawahan. Nakatutulong ang media literacy, ngunit mas mahalaga ang mga pamantayan sa pagiging tunay ng nilalaman at koordinasyon sa iba't ibang platform. [2]

3) Malawakang pagmamatyag at presyur sa privacy 🕵️♀️

Binabawasan ng AI ang gastos ng pagsubaybay sa antas ng populasyon - mga mukha, boses, at mga huwaran ng pamumuhay. Napansin ng mga pagtatasa ng threat-landscape ang lumalaking paggamit ng data fusion at model-assisted analytics na maaaring gawing de-facto surveillance system ang mga nakakalat na sensor kung hindi masusuri. [2]

Bakit ito masama sa lipunan: mahirap makita ang mga nakapandidiring epekto sa pagsasalita at pakikisalamuha hangga't hindi pa ito nangyayari. Dapat mauna sa pag-deploy, hindi sa pagsunod dito nang paunti-unti. [2]

4) Mga trabaho, sahod, at hindi pagkakapantay-pantay 🧑🏭→🤖

Maaaring mapataas ng AI ang produktibidad, oo - ngunit hindi pantay ang pagkakalantad. Natuklasan ng mga survey sa iba't ibang bansa ng mga employer at manggagawa ang parehong positibo at negatibong panganib, kung saan ang ilang mga gawain at trabaho ay mas nakalantad kaysa sa iba. Nakakatulong ang upskilling, ngunit ang mga transisyon ay nakakaapekto sa mga totoong sambahayan sa totoong oras. [3]

Bakit ito masama sa lipunan: kung ang pagtaas ng produktibidad ay pangunahing nararanasan ng iilang kumpanya o may-ari ng asset, pinalalawak natin ang hindi pagkakapantay-pantay habang nag-aalok ng magalang na pagkibit-balikat sa lahat. [3]

5) Cybersecurity at pagsasamantala sa modelo 🧨

Pinalalawak ng mga sistema ng AI ang saklaw ng pag-atake: pagkalason sa datos, agarang pag-iniksyon, pagnanakaw ng modelo, at mga kahinaan sa supply-chain sa mga kagamitan sa paligid ng mga AI app. Idinodokumento ng pag-uulat ng banta sa Europa ang totoong pang-aabuso sa sintetikong media, mga jailbreak, at mga kampanya ng pagkalason. [2]

Bakit ito masama sa lipunan: kapag ang bagay na nagbabantay sa kastilyo ay naging bagong drawbridge. Maglapat ng secure-by-design at hardening sa mga AI pipeline - hindi lamang mga tradisyonal na app. [2]

6) Mga gastos sa enerhiya, tubig, at kapaligiran 🌍💧

Ang pagsasanay at paglilingkod sa malalaking modelo ay maaaring kumonsumo ng malaking kuryente at tubig sa pamamagitan ng mga data center. Sinusubaybayan na ngayon ng mga internasyonal na analyst ng enerhiya ang mabilis na pagtaas ng demand at nagbabala tungkol sa mga epekto ng grid habang lumalawak ang mga workload ng AI. Ang pagpaplano, hindi ang pagkataranta, ang mahalaga. [4]

Bakit ito masama sa lipunan: ang hindi nakikitang stress sa imprastraktura ay lumilitaw bilang mas mataas na singil, pagsisikip ng grid, at mga labanan sa lokasyon - kadalasan sa mga komunidad na may mas kaunting impluwensya. [4]

7) Pangangalagang pangkalusugan at iba pang mahahalagang desisyon 🩺

Binibigyang-diin ng mga pandaigdigang awtoridad sa kalusugan ang mga isyu sa kaligtasan, kakayahang maipaliwanag, pananagutan, at pamamahala ng datos para sa klinikal na AI. Magulo ang mga dataset; magastos ang mga pagkakamali; ang pangangasiwa ay dapat na klinikal na antas. [5]

Bakit ito masama sa lipunan: ang kumpiyansa ng algorithm ay maaaring magmukhang kakayahan. Hindi naman. Ang mga guardrail ay dapat sumasalamin sa mga medikal na katotohanan, hindi demo vibes. [5]

Talahanayan ng Paghahambing: mga praktikal na kagamitan upang mabawasan ang pinsala

(oo, sadyang kakaiba ang mga heading)

Malalimang pagsisiyasat: kung paano nga ba gumagapang ang bias 🧪

• Baluktot na datos – ang mga talaang pangkasaysayan ay nagtataglay ng diskriminasyon noong nakaraan; sinasalamin ito ng mga modelo maliban kung susukatin at babawasan mo ang mga ito. [1]

• Pagbabago ng mga konteksto – ang isang modelo na gumagana sa isang populasyon ay maaaring gumuho sa iba; ang pamamahala ay nangangailangan ng pagsasaklaw at patuloy na pagsusuri. [1]

• Mga variable na proxy – hindi sapat ang pag-alis ng mga protektadong katangian; muling ipinakikilala ang mga ito ng mga nauugnay na katangian. [1]

Mga praktikal na hakbang: pagdodokumento ng mga dataset, pagsasagawa ng mga pagtatasa ng epekto, pagsukat ng mga resulta sa iba't ibang grupo, at paglalathala ng mga resulta. Kung hindi mo ito ipagtatanggol sa unang pahina, huwag mo itong ipadala. [1]

Malalimang pagsisiyasat: bakit ang maling impormasyon ay napakadikit sa AI 🧲

• Bilis + pag-personalize = mga pekeng naka-target sa mga maliliit na komunidad.

• Mga pagsasamantala sa kawalan ng katiyakan – kapag maaaring peke ang lahat, ang kailangan na lang gawin ng masasamang tao ay maghasik ng pagdududa.

• Pagkaantala sa beripikasyon – ang mga pamantayan sa pinagmulan ay hindi pa pangkalahatan; ang tunay na media ang natatalo sa karera maliban kung ang mga plataporma ay magkatuwang. [2]

Malalimang pagsisiyasat: ang bayarin sa imprastraktura ay dapat nang ipasa 🧱

• Lakas – Ang mga workload ng AI ay nagpapataas ng paggamit ng kuryente sa mga data center; ang mga pagtataya ay nagpapakita ng matarik na paglago ngayong dekada. [4]

• ng tubig ay nagdudulot ng bigat sa mga lokal na sistema, minsan sa mga rehiyong madaling matuyo.

• Mga away sa paglalagay ng puwesto – lumalaban ang mga komunidad kapag sila ang nakakakuha ng mga gastos nang walang pakinabang.

Mga mitigasyon: kahusayan, mas maliliit/mas payat na mga modelo, hinuha sa labas ng peak hours, paglalagay malapit sa mga renewable energy, transparency sa paggamit ng tubig. Madaling sabihin, mas mahirap gawin. [4]

Taktikal na checklist para sa mga lider na ayaw maging headline 🧰

• Magpatakbo ng isang pagtatasa ng panganib ng AI na nakatali sa isang live na rehistro ng mga sistemang ginagamit. I-mapa ang mga epekto sa mga tao, hindi lamang sa mga SLA. [1]

• Ipatupad sa pagiging tunay ng nilalaman at mga playbook ng insidente para sa mga deepfake na nagta-target sa iyong organisasyon. [2]

• Magtaguyod ng mga independiyenteng pag-audit at pakikipagtulungan para sa mga kritikal na sistema. Kung magdedesisyon ito tungkol sa mga tao, nararapat itong suriing mabuti. [2]

• Sa mga kaso ng paggamit sa kalusugan, sundin ang gabay ng sektor at igiit ang klinikal na pagpapatunay, hindi ang mga demo benchmark. [5]

• Ipares ang pag-deploy sa muling pagdisenyo ng gawain at pagpapahusay ng kasanayan , na sinusukat kada quarter. [3]

Mga madalas itanong na sagot sa nudge 🙋♀️

• Hindi ba't maganda rin ang AI? Siyempre. Isinasaalang-alang ng tanong na ito ang mga failure mode para maayos natin ang mga ito.

• Hindi ba puwedeng magdagdag na lang tayo ng transparency? Nakatutulong, pero hindi sapat. Kailangan mo ng pagsubok, pagsubaybay, at pananagutan. [1]

• Papatayin ba ng regulasyon ang inobasyon? Ang malinaw na mga patakaran ay may posibilidad na mabawasan ang kawalan ng katiyakan at mabuksan ang pamumuhunan. Ang mga balangkas ng pamamahala ng peligro ay eksakto tungkol sa kung paano ligtas na magtayo. [1]

TL;DR at mga huling saloobin 🧩

Bakit Masama ang AI para sa Lipunan? Dahil ang laki + opacity + hindi pagkakahanay ng mga insentibo ay katumbas ng panganib. Kung hindi man lang ginagamit, maaaring palakasin ng AI ang bias, sirain ang tiwala, bantayan ang gasolina, maubos ang mga mapagkukunan, at magdesisyon sa mga bagay na dapat kayang iapela ng mga tao. Ang kabilang panig: mayroon na tayong scaffolding para sa mas mahusay na mga balangkas para sa panganib, mga audit, mga pamantayan ng pagiging tunay, at gabay sa sektor. Hindi ito tungkol sa pagpreno. Ito ay tungkol sa pag-install ng mga ito, pagsuri sa manibela, at pag-alala na may mga totoong tao sa kotse. [1][2][5]

Mga Sanggunian

1. NIST – Balangkas ng Pamamahala ng Panganib ng Artipisyal na Katalinuhan (AI RMF 1.0). Link

2. ENISA – Banta sa 2025. Link

3. OECD – Ang epekto ng AI sa lugar ng trabaho: Mga pangunahing natuklasan mula sa mga survey ng OECD AI sa mga employer at manggagawa . Link

4. IEA – Enerhiya at AI (pangangailangan at pananaw sa kuryente). Link

5. World Health Organization – Etika at pamamahala ng artificial intelligence para sa kalusugan . Link

Mga tala sa saklaw at balanse: Ang mga natuklasan ng OECD ay batay sa mga survey sa mga partikular na sektor/bansa; bigyang-kahulugan nang isinasaalang-alang ang kontekstong iyon. Ang pagtatasa ng ENISA ay sumasalamin sa larawan ng banta sa EU ngunit itinatampok ang mga padron na may kaugnayan sa buong mundo. Ang pananaw ng IEA ay nagbibigay ng mga modelong proyeksyon, hindi mga katiyakan; ito ay isang hudyat sa pagpaplano, hindi isang propesiya.

Hanapin ang Pinakabagong AI sa Opisyal na Tindahan ng AI Assistant

Tungkol sa Amin